scrapy爬取酒店评论数据

--

代码 here：GitHub：scrapy_hotel_review

采用scrapy爬取酒店评论数据。

总共有28W条记录。

做某NLP任务，需要一些hotel reviews, 选择从www.booking.com搞一点数据来。 根据主页显示总共有20个城市from diferrent countries，每个城市下有若干个酒店，每个酒店下若干条评论。

〇、数据源介绍

数据源：www.booking.com
具体：

所有的城市：

某个城市的酒店列表：

某个酒店的评论：

一、爬取数据项：

设定一条记录有如下字段：

• 目标酒店名target
• 分数score
• 总体评价overall_comment
• 正评论positive_comment
• 负评论negative_comment
• 入住日期date
• 城市名city_name

用CSV文件保存with seperator "\t".

二、目录介绍：

-hotel_review_booking：hotel_data数据文件
  -hotel_review_booking：scrapy理解的项目目录
        -hotel_review_booking：scrapy的真正项目目录
        -entrypoint
        ……

三、流程：四步：

• 新建项目 (Project)：新建一个新的爬虫项目
• 明确目标（Items）：明确你想要抓取的目标
• 制作爬虫（Spider）：制作爬虫开始爬取网页
• 存储内容（Pipeline）：设计管道存储爬取内容

四、url分析：

略……

五、代码提示：

1. 因为酒店列表不好直接显示页数，所以采取半人工手段标记页数……

2. 日期date: 使用正则匹配。

   pattern = r'(\d{4})年(\d{1,2})月(\d{1,2})日' pattern_compiled = re.compile(pattern)

3. 其他也没啥的，就是scrapy的使用上，纯经验主义。